anchor free 目标检测_【目标检测】anchor-free—CenterNet总结

【文前】本文所讲述的 CenterNet 为 [Objects as Points] (http://arxiv.org/abs/1904.07850))

有两篇 paper 都为 centernet(论文撞车，另一篇文章为CenterNet: Keypoint Triplets for Object Detection，基本思路异曲同工之妙，都是 anchor-free)

image.png

【论文】https://arxiv.org/pdf/1904.07850.pdf

【代码】https://github.com/xingyizhou/CenterNet

【result】

1、CenterNet 属于 anchor-free 系列的目标检测，相比于 CornerNet 做出了改进，使得检测速度和精度相比于 one-stage 和 two-stage 的框架都有不小的提高，尤其是与 YOLOv3 作比较，在相同速度的条件下，CenterNet 的精度比 YOLOv3 提高了 4 个左右的点。

各个模型效果对比

2、不仅可以做 2D 目标检测, 只需要少量扩展就可以迁移到 3D 目标检测和人体关键点检测上。

【anchor-base 方法痛点】

1、fastRCNN 依赖计算量高的 region proposal 方法，fasterRCNN RPN 网络需要单独训练 RPN生成anchor

2、featuremap 分辨率较低，后NMS 处理(正：IOU>0.7,负：IOU<0.3)计算量不小

【centernet 处理办法】